Virkningen af ​​digital omgivelsesoplevelse på pædiatrisk subspecialistisk dokumentationsbelastning

Baggrund: Mens Elecronic Health Record (EHR) -systemer har bidraget til fremskridt inden for patientsikkerhed og kvalitet af pleje, har de også været forbundet med en betydelig stigning i dokumentationsbelastningen, hvilket bidrager til udbrændthed blandt klinikere [1]. Dette gælder især for læger med utilstrækkelig tid til dokumentation. I nogle tilfælde har det resulteret i en reduktion i udnævnelsesslots for at give mulighed for yderligere dokumentationstid, hvilket igen mindsker patientens adgang til pleje og lægeproduktivitet [2,3].

Microsoft Nuance © har for nylig annonceret generel tilgængelighed af en ny generativ kunstig intelligens (AI) -løsning kaldet Digital Ambient Experience (DAX) DAX Copilot [4], hvor besøget registreres med patient/forældremyndighed, men en note genereres gennem AI sammen med et besøgstranskript i næsten real-tid, som udbyderen kan bruge og redigere, som de finder passende. Derudover giver det udbydere mulighed for at fortsætte med at bruge deres dokumentationsskabeloner, mens de tilføjer den generative AI til "smarte sektioner" inden for deres note. Denne tilgang har potentialet til væsentligt at reducere dokumentationsbyrden, samtidig med at de opretholder dokumentationspræferencer for mange udbydere.

Dette randomiserede pilotprojekt for kvalitetsforbedring sigter mod at vurdere, om implementeringen af ​​generativ AI -software til dokumentation, Microsoft Nuance's Dax Copilot, kan forbedre dokumentationseffektiviteten og reducere udbrændthed.

Mål

Kvalitetsforbedring Globalt mål: At øge leverandørens dokumentationseffektivitet og reducere udbyderens udbrændthed relateret til dokumentationsbelastning.

Børnenes operationelle mål: Bestem, om omkostningerne ved DAX -copilot eller relateret leverandørsoftware er berettiget af reduktion i fuldmagter til lægeudbrændthed og/eller kan opvejes af at se flere patienter i samme periode for at forbedre indtægterne og patientens adgang.

Mål for det foreslåede arbejde:

- Bestem indflydelsen fra DAX -copilot på proxier til lægeudbrændthed inklusive pyjamasid, tid i noter og subjektive mål for EHR -effektivitet.

Metoder: Dette er et randomiseret kvalitetsforbedringsprojekt, der vil vurdere ændringer til proxier for leverandørdokumentationseffektivitet og udbrændthed gennem et forskel i forskelle.

Projektdeltagere

Projektet rekrutterer 20 udbydere, der opfylder følgende inkluderingskriterier:

1. Praksis hos Børns i en specialitet understøttet af DAX Copilot -produkt og med tilgængelige dokumentationseffektivitetsmetrik fra Epics signalprodukt.
2. > 0,5 klinisk fuldtidsækvivalent (CFTE)
3. 2 eller flere halve dage om ugen i gennemsnit og ser ambulante patienter som den primære udbyder (ikke overvåger praktikanter eller apps).
4. Accepterer at bruge børnenes EHR Mobile -applikation (HAIKU) på deres personlige enhed.
5. Accepterer at tilbyde brug af DAX Copilot Generative AI -software til alle patientbesøgsmøder i løbet af projektperioden

6. Tilstrækkelige og stabile EHR -data om dokumentationseffektivitet fra EPICs signalprodukt, defineret som:

   1. Efter at have befolkede data tilgængelige for mindst 40 af de sidste 52 uger.
   2. Efter at have stabile målinger for pyjamas tid og tid i noter i de sidste 6 måneder som bestemt af to lægerinformater baseret på visuel inspektion.
   3. > 75% af ambulant dokumentation afsluttet af udbyderen selv (i modsætning til at overtage en note af en praktikant eller avanceret praksisudbyder).

Deltagerne identificeres baseret på egenskaber såsom specialitet, CFTE, forhold og placering af poliklinisk arbejde og Epics omgivelsesindeks fra signal .

Randomisering vil blive udført i blokke på to på specialniveau for at sikre lige repræsentation af specialiteter i en af ​​de to følgende grupper for en 3 måneders pilot:

1. Brug af DAX Copilot Generative AI Software (AI Group)
2. Fortsættelse af den aktuelle dokumentationsarbejdsgang (kontrolgruppe)

Resultater

Vores primære resultater, der skal opnås gennem Epics signalprodukt, vil være:

1. "Pyjama Time", defineret som det gennemsnitlige antal minutter pr. Planlagt dag, der blev brugt i kortlægningsaktiviteter uden for kl. 7 til 17.30 på hverdage, tid uden for planlagte timer i weekenderne og tid på uplanlagte helligdage. Denne metrisk er forbundet med udmattelsesunderskalaen i Maslach Burnout Inventory [5].

2. "Tid i noter pr. Udnævnelse" på få minutter

   Yderligere resultatmålinger vil omfatte:

3. Fremskridt note længde (tegn)
4. Bemærk bidrag (skrevet af udbyder vs. andre)
5. Tid til lukning af aftalen
6. Andel af noter afsluttet ved hjælp af DAX Copilot Generative AI -software
7. Gennemsnitlig patientvolumen om ugen
8. Brugersvar før og efter projektet på en modificeret KLAS EHR-effektivitet og tilfredshedsundersøgelse, et valideret benchmarking-værktøj.
9. Patientoplevelsesresultater før og efter projicer gennem rutinemæssigt fanger NRC-undersøgelser.

Dataindsamling

Data indsamles fra Epic © Signal og gennem undersøgelser. Dataene vil omfatte:

• Demografiske oplysninger om projektdeltagere
• Data relateret til dokumentationseffektivitet som beskrevet i kvalitetsmålene ovenfor

Statistisk analyse Vores primære analyse vil være en forskel-i-forskel-analyse for hvert resultat. For eksempel beregnes forskellen mellem udbyderens gennemsnitlige pyjamasid før og efter interventionsperioden for alle deltagere. Vi vil derefter bestemme, hvordan dette gennemsnit adskiller sig i AI-gruppen og i kontrolgruppen for at vurdere forskellen i forskelle.

Yderligere analyser vil omfatte justerede eller stratificerede forskel-i-forskelle-analyser baseret på udbyderegenskaber, der er anført ovenfor. Vi beregner også beskrivende statistikker for at sammenligne resultaterne og covariater mellem de to grupper. Afhængig af arten af ​​dataene, kan vi bruge kørekort, t-tests, ANOVA eller andre passende statistiske metoder til at vurdere virkningen af ​​generativ AI-dokumentationssoftware.

Referencer

1. Budd, J. Burnout relateret til brug af elektronisk sundhedsrekord i primærpleje. J Prim Care Community Health 14, 21501319231166921 (2023).
2. Colicchio, T.K., Cimino, J.J. & Del Fiol, G. Utilsigtede konsekvenser af landsdækkende vedtagelse af elektronisk sundhedsrekord: Udfordringer og muligheder i den post-meningsfulde brugstid. J Med Internet Res 21, E13313 (2019).
3. Gaffney, A., et al. Medicinsk dokumentationsbyrde blandt os kontorbaserede læger i 2019: en national undersøgelse. JAMA Intern Med 182, 564-566 (2022).
4. Microsoft+Nuance. Dokumenter automatisk pleje med Dragon Ambient Experience (DAX). https://www.nuance.com/asset/en_us/collateral/healthcare/data-sheet/ds-ambient-clinical-intelligence-en-us.pdf. (2023).
5. Adler-Milstein, J. & Wang, M.D. Virkningen af ​​overgang fra tilgængeligheden af ​​eksterne poster inden for elektroniske sundhedsregistre til integration af lokale og udvendige poster inden for elektroniske sundhedsregistre. J Am Med Inform Assoc 27, 606-612 (2020).